基于受体模型的区域土壤重金属源解析方法构建及评估

Understanding the sources information about the pollutants in soil is an important prerequisite for effectively controlling soil pollution. The three receptor models, principal component analysis/absolute principal component scores (PCA/APCS), positive matrix factorization (PMF) and UNMIX, are all based on factor analysis for apportionment of pollutant sources in environment. These models do not need to input source component profile data and are widely used in apportioning of the pollutant source in environment. When applied to apportion of heavy metals sources in soil at regional scale, these models have some problems to be solved: (1) the original models are based on non-spatial data, and the results from the models are a relatively average value for the entire study area, thus lacking of local apportionment capacity; (2) the original models can only produce absolute contribution value from each source at all sample points, lack of intuitive visual effects and not conducive to identify and apportion the hidden pollutant sources; (3) a natural or human factors often produce outliers in heavy metal samples, and these outliers may undermine the robustness of the receptor models. The main objectives of this project are to build a robust local source apportionment models based on the above three classic receptor models using local robust factor analysis and geostatistics for further enhancing the ability of source apportionment for regional heavy metal pollution in soil. The project will combine theory and technology development, comparative study and empirical case study. The project would lay the theoretical and technical basis for apportioning the regional heavy metal emission sources from the point of local receptor view.

了解土壤污染物来源信息是切实有效地控制土壤污染的重要前提。绝对主成分得分/多元线性回归、正定矩阵因子分解和UNMIX是典型的基于因子分析的源解析受体模型。这些模型均不需输入源成分谱数据，在源解析领域应用广泛。当应用于区域土壤重金属污染源解析时，这些模型还存在一些问题亟待解决：(1)原始模型基于非空间数据，得到的源解析结果是相对整个研究区域的一个平均值，缺乏局部解析能力；(2)原始模型得到的是在每个样点处的源贡献值，缺乏对隐性污染源位置及相关性质的解析；(3)自然或人为因素经常会引起重金属样本离群值，进而破坏原始模型的稳健性。因此，本研究拟基于以上传统受体模型并采用局部稳健因子分析和地统计方法构建一套稳健的局部空间源解析模型，以进一步提高对区域土壤重金属污染源的解析能力。研究将把理论拓展、技术开发、比较及实证相结合。本项目旨在从局部空间受体的角度，为区域重金属排放源的解析奠定理论和技术基础。

了解土壤污染物来源信息是切实有效地控制土壤污染的重要前提。受体模型由于不需输入源成分谱信息，在源解析领域应用广泛。传统的源解析受体模型，如绝对主成分分数-多元线性回归（APCS-MLR）模型，通常对离群值较敏感。而这些离群值通常广泛存在于区域地球化学数据集。而且，传统的受体模型仅仅建立在样本属性变量空间，而不是地理空间中，因此该类模型难以有效捕获源贡献量的局部空间特征。为了解决这些问题，我们提出了稳健绝对主成分分数-稳健地理加权回归受体模型（RAPCS-RGWR）。该技术是将空间坐标嵌入受体模型，并采用稳健统计量来削弱离群值对受体模型的影响。同时，我们将该模型运用于武汉城乡结合部土壤重金属来源解析，并与传统的APCS-MLR模型进行了对比。对比结果显示：RAPCS-RGWR模型较传统的APCS-MLR模型能更准确的识别重金属的来源状况，而且由RAPCS-RGWR模型解析得到的源贡献量较传统APCS-MLR模型更接近真实的土壤重金属浓度值。因此，相对传统的APCS-MLR模型，本研究提出的RAPCS-RGWR源解析模型为区域土壤重金属来源解析提供了一个强大的工具。同时，稳健局部受体模型的构建过程中需要采用局部回归技术。我们研究中发现，地理加权回归这种新的空间局部回归技术在区域土壤环境评估中，较传统的最小二乘回归显示了众多优势。该模型将数据空间位置嵌入线性回归模型，同时采用距离衰减函数来权重化相邻的样本数据。我们采用该模型揭示了区域尺度内稻米重金属累积量与土壤因子之间的空间非平稳关系，并将该关系用于具体作物类型下土壤重金属环境容量的空间制图。同时，我们还采用该空间局部回归技术探索了环境因子对土壤污染物的空间非平稳影响，其空间局部回归结果可以为区域土壤环境规划的制定提供定量空间决策支持。基于该项目的系列成果，在SCI刊物上发表5篇论文，EI刊物上发表1篇论文。本研究取得了重要的科学进展，为区域土壤污染物的来源解析和环境模拟提供了新的方法，因而具有十分重要的科学意义和应用价值。

内容获取失败，请点击重试